一种路网交通流参数的融合预测方法

交通运输系统工程与信息 ›› 2015, Vol. 15 ›› Issue (6): 39-45.

• 智能交通系统与信息技术 • 上一篇下一篇

一种路网交通流参数的融合预测方法

聂佩林¹，龚峻峰^*2

1. 佛山科学技术学院环境与土木建筑学院，广东佛山528000；2. 华南理工大学土木与交通学院，广州510640

收稿日期:2015-07-01 修回日期:2015-09-29 出版日期:2015-12-25 发布日期:2015-12-25
作者简介:聂佩林（1980-），男，广东惠州人，讲师，博士.
基金资助:
广东省自然科学基金（2014A030313617）

A Combined Traffic Network Flow Prediction Method

NIE Pei-lin¹, GONG Jun-feng²

1. Environment and Construction College, Foshan University, Foshan 528000, Guangdong, China; 2. School of Civil Engineering and Transportation, South China University of Technology, Guangzhou 510641, China

Received:2015-07-01 Revised:2015-09-29 Online:2015-12-25 Published:2015-12-25

摘要/Abstract

摘要：

提出了数据驱动与中观交通仿真融合的交通流预测框架.该框架将数据驱动方法在路网局部断面和路段的高精度预测能力与中观交通仿真的路网范围预测能力结合起来，通过可信度高的路网局部断面和路段预测值，在线修正中观交通仿真模型的参数，使得中观交通仿真模型能够逼近、反映交通流运动趋势，提高路网范围交通状态预测精度.通过结合路段旅行时间预测与中观交通仿真的实例分析证明，断面和路段预测和中观交通仿真结合发挥了两者各自的优势，预测结果优于单一的中观交通仿真方法.

关键词: 智能交通, 路网交通状态预测, 中观交通仿真, 数据驱动

Abstract:

A framework that combines data-driven predictors and mesoscopic traffic simulators is proposed for traffic network state prediction. In the framework, the mesoscopic simulation model with network prediction ability is calibrated on-line by the highly reliable road segment traffic flow prediction results from the data- driven predictors. Therefore, the calibrated mesoscopic simulation system is able to capture the evolution of traffic flow and improve the network traffic prediction accuracy. A case study, which combines the road segment travel time predictor and the mesoscopic traffic simulator, is conducted to verify the effectiveness of the framework. The empirical results show that the framework fully utilizes the advantages of the two prediction approaches and achieves better traffic network state prediction performances than the method that applies the mesoscopic traffic simulation only.

Key words: intelligent transportation, traffic network state prediction, mesoscopic traffic simulation, datadriven

中图分类号:

U491

聂佩林，龚峻峰. 一种路网交通流参数的融合预测方法[J]. 交通运输系统工程与信息, 2015, 15(6): 39-45.

NIE Pei-lin, GONG Jun-feng. A Combined Traffic Network Flow Prediction Method[J]. Journal of Transportation Systems Engineering and Information Technology, 2015, 15(6): 39-45.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19114.shtml

http://www.tseit.org.cn/CN/Y2015/V15/I6/39

参考文献

[1] 刘静, 关伟. 交通流预测方法综述[J]. 公路交通科技, 2004, 21(3): 82-85. [LIU J, GUAN W. A summary of traffic flow forecasting methods[J]. Journal of Highway and Transportation Research and Development, 2004, 21 (3): 82-85.]

[2] Yoon B, Chang H. Potentialities of data-driven nonparametric regression in urban signalized traffic flow forecasting[J]. Journal of Transportation Engineering 2014, 140(7): 04014027.

[3] Karlaftis M G, Vlahogianni E I. Statistical methods versus neural networks in transportation research:Differences, similarities and some insights[J].Transportation Research Part C, 2011(19): 387–399.

[4] Hofleitner A, Herring R, Bayen A. Arterial travel time forecast with streaming data: A hybrid approach of flow modeling and machine learning[J]. Transportation Research Part B, 2012(46): 1097-1122.

[5] Ben-Akiva M, Bierlaire M, Koutsopoulos H, et al. DynaMIT: A simulation-based system for traffic prediction[C]. DACCORS Short Term Forecasting Workshop, The Netherlands, 1998.

[6] Balakrishna R, Morgan D, Yang Q, et al. Comparison of simulation- based dynamic traffic sssignment tools for operations management[C]. Transportation andDevelopment Institute Congress 2011: 1167-1177.

[7] Jayakrishnan R. A simulation-based framework for the analysis of traffic networks operating with real-time information[R]. California PATH Program, Institute of Transportation Studies, University of California at Berkeley, 1993.

[8] Yang Q. A simulation laboratory to evaluation of dynamic traffic management system[D]. Massachusetts Institute of Technology, 1997.

[9] Antonious C, Ben-Akiva M, Koutsopoulos H N. On-line calibration of traffic prediction models[C]// Proceedings of the 7th International IEEE Conference, 2004: 82-87.

[10] Park B, Lee J, Pampati D M, et al. Online implementation of DynaMIT: A prototype traffic estimation and prediction program[J]. Journal of Civil Engineering, 2008(12): 129-140.

[11] Wang Y, Van Schuppen J, Vrancken J. On- line distributed prediction of traffic flow in a large-scale road network[J]. Simulation Modelling Practice and Theory, 2014(47): 276–303.

[12] 聂佩林, 余志, 何兆成. 基于约束卡尔曼滤波的短时交通流量组合预测模型[J]. 交通运输工程学报, 2008, 8(5): 86-90. [NIE P L, YU Z, HE Z C. Constrained Kalman filter combined predictor for short-term traffic flow[J]. Journal of Traffic and Transportation Engineering, 2008, 8(5): 86-90.]

[13] Van Lint J, Hoogendoorn S, Van Zuylen H. Accurate freeway travel time prediction with state-space neural networks under missing data[J]. Transportation Research Part C, 2005, 13: 347-369.

[1]	郭烈, 胥林立, 秦增科, 王旭. 自动驾驶接管影响因素分析与研究进展[J]. 交通运输系统工程与信息, 2022, 22(2): 72-90.
[2]	徐猛, 刘涛, 钟绍鹏, 姜宇. 城市智慧公交研究综述与展望[J]. 交通运输系统工程与信息, 2022, 22(2): 91-108.
[3]	程君, 张立炎, 陈启宏. 一种基于地图辅助的自动驾驶视-惯融合定位方法[J]. 交通运输系统工程与信息, 2022, 22(2): 117-126.
[4]	王国栋, 刘立, 孟宇, 马智萍, 郑淏清, 顾青, 白国星. 一体式车辆避撞轨迹规划与跟踪控制[J]. 交通运输系统工程与信息, 2022, 22(2): 127-136.
[5]	马东方, 陈曦, 吴晓东, 金盛. 基于强化学习的干线信号混合协同优化方法[J]. 交通运输系统工程与信息, 2022, 22(2): 145-153.
[6]	许波桅, 王玲玲, 李军军. 自动化码头多级作业超网络延误传导特性研究[J]. 交通运输系统工程与信息, 2022, 22(2): 280-289.
[7]	田会娟, 刘嘉伟, 翟佳豪, 邓琳琳. 基于多入侵线的视频车速检测方法[J]. 交通运输系统工程与信息, 2022, 22(1): 49-56.
[8]	贾彦峰, 曲大义, 赵梓旭, 王韬, 宋慧. 基于安全势场的网联自主车辆跟驰行为决策及模型[J]. 交通运输系统工程与信息, 2022, 22(1): 85-97.
[9]	刘文, 汪文博. 基于秩最小化矩阵去噪的船舶轨迹重构方法[J]. 交通运输系统工程与信息, 2022, 22(1): 106-114.
[10]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[11]	胡杰, 何陈, 朱雪玲, 杨光宇. 基于实车数据的电动汽车电池剩余使用寿命预测[J]. 交通运输系统工程与信息, 2022, 22(1): 292-300.
[12]	徐东伟, 彭航, 商学天, 魏臣臣, 杨艳芳. 基于图自编码-生成对抗网络的路网数据修复[J]. 交通运输系统工程与信息, 2021, 21(6): 33-41.
[13]	游峰, 梁健中, 曹水金, 肖智豪, 吴镇江, 王海玮. 面向多目标跟踪的密集行人群轨迹提取和运动语义感知[J]. 交通运输系统工程与信息, 2021, 21(6): 42-54.
[14]	王福建, 俞佳浩, 赵锦焕, 梅振宇. 基于站点实时关联度的短时公交客流预测方法[J]. 交通运输系统工程与信息, 2021, 21(6): 131-144.
[15]	张毅, 姚丹亚, 李力, 裴华鑫, 晏松, 葛经纬. 智能车路协同系统关键技术与应用[J]. 交通运输系统工程与信息, 2021, 21(5): 40-51.

一种路网交通流参数的融合预测方法

A Combined Traffic Network Flow Prediction Method

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics